Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
LUCIANO RODRIGUES DA SILVA
CORRELAÇÕES DE LONGO ALCANCE EM SÉRIES TEMPORAIS DE
FOCOS DE CALOR NO BRASIL
RECIFE-PE – AGOSTO/2009
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM BIOMETRIA E ESTATÍSTICA APLICADA
CORRELAÇÕES DE LONGO ALCANCE EM SÉRIES TEMPORAIS DE
FOCOS DE CALOR NO BRASIL
Dissertação apresentada ao Programa de Pós-Graduação em Biometria e Estatística Aplicada como exigência parcial à obtenção do título de Mestre.
Área de Concentração: Desenvolvimento de Métodos Estatísticos e Computacionais
Orientadora: Profa. Dra. Tatijana Stosic
Co-orientador: Prof. Dr. Borko Stosic
RECIFE-PE – AGOSTO/2009
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM BIOMETRIA E ESTATÍSTICA APLICADA
CORRELAÇÕES DE LONGO ALCANCE EM SÉRIES TEMPORAIS DE FOCO DE
CALOR NO BRASIL
LUCIANO RODRIGUES DA SILVA
Dissertação julgada adequada para
obtenção do título de mestre em Biometria
e Estatística Aplicada, defendida e
aprovada por unanimidade em 20/10/2009
pela Comissão Examinadora.
Orientador:
‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗ Profa. Dra. Tatijana Stosic
Universidade Federal Rural de Pernambuco
Banca Examinadora:
‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗ Prof. Dr. Borko Stosic
Universidade Federal Rural de Pernambuco
‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗ Prof. Dr. Wilson Rosa de Oliveira Junior
Universidade Federal Rural de Pernambuco
‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗‗ Prof. Dr. Pedro Hugo Figueirêdo
Universidade Federal Rural de Pernambuco
iii
Dedicatória
Aos meus verdadeiros amigos, que
continuam juntos mesmo na distância.
iv
Agradecimentos
Agradeço a minha família. Em especial, agradeço a minha esposa Elaine,
pelo apoio e por tornar meus dias mais felizes.
Agradeço aos meus orientadores Tatijana Stosic e Borko Stosic pelo apoio.
Este trabalho só foi possível pela ajuda que me prestaram.
Agradeço aos meus professores do DEINFO que participaram da minha
caminhada na graduação e no Mestrado.
Agradeço aos funcionários do DEINFO, principalmente a Marco e a Zuleide,
pelo apoio e ajuda que me prestaram.
Agradeço aos diversos amigos que fiz na UFRPE, UFPE e CEFET-PE, muitos
tiveram grande importância no meu dia a dia na universidade.
v
“No meio de qualquer dificuldade encontra-se
a oportunidade.”
Albert Einstein.
vi
RESUMO
Incêndios em vegetação é um tipo de desastre natural com conseqüências
ambientais, sociais econômicas, etc. Todos os anos incêndios destroem milhões de
hectares das florestas e aumentam em número como conseqüência de vários
fatores, principalmente de crescimento populacional e acúmulo de material
combustível. A preservação de meio ambiente depende das políticas protecionistas
globais e regionais adequadas às características de cada região. Para estabelecer
essas políticas de controle e prevenção é necessário conhecer o perfil dos incêndios
florestais: onde, quando e porque ocorrem. Além das estatísticas de ocorrências de
incêndios os métodos emergentes da Física Estatística incluindo análise de dados e
modelos computacionais, providenciam as informações adicionais sobre a
distribuição e agrupamento espaço-temporal dos incêndios, que são cruciais para o
estudo de várias conseqüências de fogo, como emissão de gases e partículas em
atmosfera, perda de biodiversidade, erosão de solo, etc. Vários satélites (com
características diferentes em termos de resolução espacial, bandas espectrais,
tempo e freqüência de escaneamento) são disponíveis para monitoramento das
varias características de fogos: áreas de risco, incêndios atualmente ativos, área
queimada, fumaça, emissão de poluentes etc. Focos de calor são pixels na imagem
de satélite com intensidade infravermelha correspondente a vegetação queimada.
Um foco pode representar uma queimada, parte de um incêndio maior ou outras
fontes de calor como, por exemplo, a reflexão de luz da superfície de um lago. O
número de focos junto com outras informações providenciadas pelos satélites
podem ser usados para estimar a área queimada, para detecção e monitoramento
dos incêndios florestais, estimação de risco de fogo, e para avaliação da influencia
de outros fatores ambientais. Neste trabalho estudamos a dinâmica de focos de
calor no Brasil usando o método Detrended Fluctuation Analysis (DFA),
desenvolvido para quantificar as correlações em séries temporais não estacionárias.
Analisamos séries temporais diárias de focos de calor detectados no Brasil pelo
vários satélites, durante o período 1998-2008. Os resultados mostram a existência
de correlações de longo alcance persistentes, que representa uma propriedade
importante dos processos estocásticos geradores desse fenômeno. Esta
vii
propriedade, também presente em fenômenos climáticos deveria ser incorporada em
modelos teóricos e simulações computacionais de dinâmica de incêndios.
Palavras-chave: focos de calor, correlações de longo alcance, Detrended
Fluctuation Analysis.
viii
ABSTRACT
Vegetation fires represent a natural hazard with severe ecological, social,
health and economic consequences. Every year fires burn millions of hectares of
forest worldwide and their number have been increasing, principally because of the
increase in population and combustion material. The preservation of the environment
depends on global and regional policies and methods of prevention and suppression
of fires. To establish these methods it is necessarily to know the profile of fires:
spatial location, time of occurrence, burned area, why they occur, and how they
initiate and propagate. Recently, various methods of Statistical Physics (including
data analysis and computational models) have been applied to provide additional
information about spatial and temporal distribution of fire sequences, which is crucial
for assessing various consequences of burning, such as emissions of gasses and
particulates to the atmosphere, loss of biodiversity, loss of wildlife habitat, soil
erosion etc. Several satellite systems (with different capabilities in terms of spatial
resolution, sensitivity, spectral bands, and times and frequency of overpasses) are
currently available for monitoring different fire characteristics: dry areas that are
susceptible to wild fire outbreak, actively flaming fires, burned area and smoke, and
trace gas emissions. Hotspots are satellite image pixels with infrared intensity
corresponding to burning vegetation. A hotspot may represent one fire, or be one of
several hotspots representing a larger fire. Together with other satellite data, the
number of hot-spots can be used to estimate the burned area. In this work we study
the dynamics of hotspots using the Detrended Fluctuation Analysis (DFA) method,
which serves to quantify correlations in non stationary time series. We analyze daily
hotspot temporal series detected in Brazil by various satellites during the period
1998-2008. The results show the existence of power-law long-range correlations that
represent an important property of the underlying stochastic process. This property,
also found in climatic phenomena, should be incorporated in theoretical models and
computer simulations of the fire dynamics.
Keywords: hot spots, long range correlation, detrended fluctuation analysis.
ix
LISTA DE FIGURAS
Fig. 2.3.1: Focos de queimadas detectados no Brasil mostrados no site do INPE. .. 20
Fig. 3.2.1: Ilustração de aplicação do método DFA-1 [27] ......................................... 26
Fig. 3.3.1: Série de focos de calor obtidos usando os dados de satélites AQUA. ..... 28
Fig. 3.3.2: Série de focos de calor obtidos usando os dados de satélites GOES-12 . 29
Fig. 3.3.3: Série de focos de calor obtidos usando os dados de satélite MMODIS. .. 29
Fig. 3.3.4: Série de focos de calor obtidos usando os dados de satélites NOAA-12 . 30
Fig. 3.3.5: Série de focos de calor obtidos usando os dados de satélite TERRA ...... 30
Fig. 4.1: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite AQUA. ...................... Erro! Indicador não definido.
Fig. 4.2: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite AQUA. ...................... Erro! Indicador não definido.
Fig. 4.3: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite AQUA. ...................... Erro! Indicador não definido.
Fig. 4.4: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite GOES-12. ............................................................. 37
Fig. 4.5: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite GOES-12. ............................................................. 38
Fig. 4.6: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite GOES-12. ............................................................. 39
Fig. 4.7: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite MMODIS. .............................................................. 40
Fig. 4.8: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite MMODIS. .............................................................. 41
Fig. 4.9: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite MMODIS. .............................................................. 42
Fig. 4.10: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite NOAA-12. .............................................................. 43
Fig. 4.11: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite NOAA-12. .............................................................. 44
x
Fig. 4.12: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite NOAA-12. .............................................................. 45
Fig. 4.13: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite TERRA. ................................................................. 46
Fig. 4.14: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite TERRA. ................................................................. 47
Fig. 4.15: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos
de calor detectados pelo satélite TERRA. ................................................................. 48
xi
LISTA DE TABELAS
Tabela 1: Os valores dos expoentes α das séries originais e randomizadas............38
xii
SUMÁRIO
1. INTRODUÇÃO .................................................................................................................... 13 2. INCÊNDIOS EM VEGETAÇÃO (QUEIMADAS)............................................................. 16
2.1 QUEIMADAS ................................................................................................................ 16 2.2 EFEITOS AMBIENTAIS .............................................................................................. 17 2.3 DETECÇÃO E MONITORAMENTO DE QUEIMADAS VIA SENSORIAMENTO
REMOTO ............................................................................................................................. 18 3. METODOLOGIA E DADOS .............................................................................................. 21
3.1 CORRELAÇÕES DE LONGO ALCANCE EM SÉRIES TEMPORAIS ..................... 21
3.2 DETRENDEND FLUCTUATION ANALISYS (DFA) ................................................ 23 3.3 DADOS .......................................................................................................................... 28
4. RESULTADOS .................................................................................................................... 31 5. CONCLUSÃO ...................................................................................................................... 50 REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................... 52
13
1. INTRODUÇÃO
Todos os anos incêndios destroem milhões de hectares de vegetação,
ameaçando a vida e a propriedade das pessoas e causando danos ambientais como
a perda de espécies da fauna e flora, mudanças climáticas, aumento do efeito estufa
e deterioração da camada de ozônio, além de conseqüências econômicas como a
queima da madeira e custos para prevenção e controle de fogo. Os incêndios
ocorrem em lugares com abundancia de vegetação (florestas, savanas, bosques) e
podem ter origem natural (raios, erupções vulcânica, calor do sol) ou humana
(queimas para limpeza na agricultura, nas pastagens ou no reflorestamento,
descuidos humanos, fogos intencionados) [1,2].
Restos fósseis mostram que os primeiros incêndios em vegetação
apareceram há 420 milhões anos atrás, quando a abundancia das plantas terrestres
permitiu a acumulação de oxigênio na atmosfera e de material combustível [3]. O
uso controlado de fogo pelos humanos, que começou há 1,5 milhões anos atrás,
segundo evidências encontradas na África, foi o fator mais importante para evolução
cultural humana por ter possibilitado o tratamento térmico de proteínas e outros
nutrientes, extensão de atividades durante a noite e melhor proteção contra os
predadores [4,5], além de incêndios controlados designados para sinalização, cultivo
de plantas, desflorestamento, etc., que podem ter efeitos beneficentes para fauna e
flora (aumentando a quantidade de nutrientes no solo, reduzindo a propagação de
doenças, algumas espécies de plantas precisam do fogo para crescer e reproduzir,
para algumas espécies de animais o incêndio facilita caça e procura de comida).
Mesmo assim, a maioria dos incêndios em vegetação são descontrolados e têm
efeitos desastrosos para meio ambiente.
O comportamento dos incêndios em vegetação (inicio, propagação,
supressão, efeitos ambientais) depende de vários fatores como tipo de combustível,
condições climáticas, topografia, métodos de prevenção e supressão de fogo,
14
políticas ambientais etc. Para um incêndio acontecer são necessários três
componentes: combustível, oxigênio e calor. A quantidade de combustível (árvores,
arbustos, grama seca) disponível por área unitária, chamado de carga de
combustível, é um dos fatores que determinam a intensidade (quantidade da energia
por unidade de tempo e por unidade de comprimento da frente de fogo) e velocidade
de espalhamento de fogo. Um incêndio se espalha mais rapidamente e com maior
intensidade se a carga de combustível é maior. Outro fator importante para ignição,
propagação e supressão do fogo é o clima, especialmente temperatura, vento e
umidade. As temperaturas mais quentes e a umidade baixa favorecem a formação
de fagulhas de incêndios florestais, os combustíveis se acendem e queimam mais
rápido. O vento tem o maior impacto na evolução de um incêndio florestal, mas
também é um fator mais imprevisível. Alem do oxigênio adicional, o vento fornece
mais combustível seco (grama, galhos, folhas) e empurra o fogo aumentando a
intensidade e velocidade de propagação do incêndio. O fator de topografia mais
importante para propagação de incêndio é a inclinação do terreno. O incêndio se
propaga mais rápido para áreas mais elevadas na direção do vento que tem fluxo
natural para cima [2].
Os incêndios causam efeitos imediatos e em longo prazo em componentes
abióticos dos ecossistemas, principalmente no solo. Esses efeitos incluem a perda
de nutrientes por causa de erosão, alterações na temperatura, umidade e outras
propriedades físicas como textura e porosidade. Os efeitos dos incêndios nas
espécies da fauna e flora variam de extinção à adaptação e aumento de população
de espécies mais resistentes ao fogo. Apesar de causar danos ambientais, os
incêndios representam um fator importante para funcionamento e biodiversidade de
várias comunidades como florestas e savanas [1].
A preservação do meio ambiente é uma tarefa extremamente complexa e
dependem das políticas protecionistas globais e regionais adequadas as
características de cada região. Para estabelecer essas políticas de controle e
prevenção é necessário conhecer o perfil dos incêndios: onde, quando e porque
ocorrem. Além das estatísticas de ocorrências de incêndios, os métodos emergentes
da física estatística, incluindo analise de dados e modelos computacionais,
providenciam informações adicionais sobre a distribuição espaço-temporal dos
incêndios, que podem ser usadas para planejar um controle mais eficiente [6-9].
15
Vários satélites (com características diferentes em termos de resolução
espacial, bandas espectrais, tempo e freqüência de escaneamento) estão
disponíveis para monitoramento das várias características de fogos: áreas de risco,
incêndios atualmente ativos, área queimada, fumaça, emissão de poluentes etc.
Focos de calor são pixels na imagem de satélite com intensidade infravermelha
correspondente a vegetação queimada. Um foco pode representar uma queimada,
parte de um incêndio maior ou outras fontes de calor como, por exemplo, a reflexão
de luz da superfície de um lago. As imagens de satélites podem não detectar todas
as queimadas por causa de cobertura de nuvens. Apesar dessas dificuldades, o
número de queimadas junto a outras informações providenciadas pelos satélites
pode ser utilizado para estimar a área queimada, para detecção e monitoramento
dos incêndios florestais [10-12], estimação de risco de fogo [13] e para avaliação a
influência de outros fatores ambientais [14].
No Brasil, a maioria dos incêndios em vegetação (queimadas) são causados
pelo homem por diversas razões: limpeza de pastos, preparo de plantios,
desmatamentos, colheita manual de cana de açúcar, vandalismo, etc. Com mais de
300.000 queimadas e nuvens de fumaça cobrindo milhões de 2km detectados
anualmente, o Brasil ocupa 5º lugar entre os países poluidores. A detecção de focos
de calor no Brasil foi iniciada pelo Instituto Nacional de Pesquisas Espaciais (INPE)
em 1987, a pioneira e mais completa no mundo, fazendo uso de um maior número
de satélites (11) que geram centenas imagens diárias usadas para mapeamento dos
focos [15].
O objetivo deste trabalho é estudar a dinâmica de focos de calor no Brasil.
Analisamos as correlações de longo alcance de séries temporais diárias de focos de
calor detectados no Brasil pelo vários satélites, durante o período 1998-2008. O
método utilizado para analise é o Detrended Fluctuation Analysis [16], desenvolvido
para quantificar as correlações em séries temporais não estacionarias. Os
resultados desta análise vão providenciar as informações importantes sobre os
processos estocásticos geradores desse fenômeno, como a existência de memória
persistente, presente em fenômenos climáticos. A propriedade de correlações de
longo alcance deveria ser incorporada em modelos teóricos e simulações
computacionais de dinâmica de incêndios, necessários para melhor prevenção,
controle e controle de fogo e para previsão de efeitos ambientais.
16
2. INCÊNDIOS EM VEGETAÇÃO (QUEIMADAS)
2.1 QUEIMADAS
Queimadas são processos de queima de biomassa. A queima de material
orgânico segue a equação química:
OHCOOOCH 2222 ][
Ou seja, a reação produz primariamente água e dióxido de carbono, além de
outros elementos tais qual o monóxido de carbono ( CO ), óxidos nitrosos ( xNO ),
hidrocarbonetos e partículas de aerossóis [17, 18].
Uma queimada tem quatro estágios: ignição, chamas, brasas e extinção. A
ignição depende do tipo e umidade da biomassa e de fatores ambientais como
temperatura, umidade relativa e vento. Chamas é o estagio onde altas temperaturas,
que podem chegar até 1800 K, provocam a ruptura das moléculas da biomassa
(biomassa é transformada em componentes de menor peso molecular, com o carvão
e o alcatrão) e a liberação de vapor d’água, 2CO e CO . A seguir temos o estagio
de brasa, onde há uma diminuição das condições necessárias para manter as
chamas, com temperaturas abaixo de 1000 K, há uma redução na produção de 2CO
e uma grade emissão de material particulado. Já o estagio de extinção pode ocorrer
pela diminuição da biomassa ou por outros fatores como fatores ambientais ou
diminuição de oxigênio [18, 19].
17
2.2 EFEITOS AMBIENTAIS
De acordo com Andreae [17], 87% das emissões globais de queimadas
ocorrem em países em desenvolvimento nos trópicos. No Brasil, as maiores
ocorrências de queimadas acontecem nas regiões amazônica e central nos meses
de julho a outubro, durante a estação seca. Estudos mostram que as partículas de
aerossol na região são compostas predominantemente de carbono grafitico, que é
proveniente da fuligem da combustão e está associado a elementos conhecidos
como traçadores de emissões de queimadas, como .,,,, ZnCaClKS [20].
As emissões provocadas pelas queimadas podem alterar o equilíbrio climático
e bioquímico do ambiente. As emissões de 2CO , metano ( 4CH ) e XNO contribuem
para aumentar o efeito estufa na atmosfera. A radiação solar junto com as altas
taxas de concentração de XNO , oxidação de CO e hidrocarbonetos liberam ozônio
( 3O ). As partículas de aerossol provenientes das queimadas podem permanecer por
volta de uma semana na atmosfera e compõem a camada espessa de fumaça sobre
as Regiões Norte e Centro Oeste do Brasil durante a estação seca. As altas
temperaturas provocadas pelo fogo favorecem o movimento convectivo ascendente
contribuindo para a elevação dos poluentes até a troposfera e transportam estes
para regiões distantes das fontes emissoras, o que se estima alcançar um região
entre 4 e 5 milhões de 2km , o que transfere os efeitos para um nível regional [18].
O balanço de radiação e o ciclo hidrológico também podem ser afetados. As
partículas provenientes das queimadas causam alterações no processo de formação
das gotas de nuvem, tornando-as menores e em maior número. Isso provoca uma
maior reflexão de radiação solar de volta para o espaço, que por conseqüência
resfria a atmosfera, criando um ambiente menos favorável para a produção de
chuvas, já que as gotículas muito pequenas não tendem a se aglutinarem e cair
como chuva. Também pode ocorrer a estabilização termodinâmica pela interação da
partículas de aerossol com a radiação solar, o que restringe a ascensão de células
convectivas geradas próximo à superfície e inibe a formação de nuvens [18].
O transporte das emissões de queimadas e a deposição do material
transportado podem causar as alterações nos ciclos bioquímicos e na dinâmica de
nutrientes tanto nas regiões emissoras quanto nas regiões receptoras. Isso também
18
inclui os efeitos na biota marinha, devido o impacto da deposição dos produtos de
queimadas e da redução de radiação solar na superfície das oceanos [18].
2.3 DETECÇÃO E MONITORAMENTO DE QUEIMADAS VIA SENSORIAMENTO
REMOTO
Devido a grande extensão espacial das áreas tropicais e subtropicais da
America do Sul, o sensoriamento remoto por satélites passa a ser a forma de
monitoramento mais viável. O Instituto Nacional de Pesquisas Espaciais (INPE)
desenvolve as técnicas de detecção das queimadas usando os sensores de vários
satélites artificiais [15,18]. Atualmente, 3 tipos de sensores são utilizados para a
detecção de focos de queimadas na America do Sul: AVHRR, VAS E MODIS.
O radiômetro AVHRR (Advanced Very High Resolution Radiometer) é
utilizado na série de satélites polares NOAA (NOAA-12, NOAA-15, NOAA-16,
NOAA-17, NOAA-18) e tem resolução aproximada de 1,1km por 1,1 km.
O radiômetro VAS (Visible Infrared Spin Scan Radiometer Atmospheric
Sounder) é utilizado nos satélites geoestacionários GOES (GOES-10, GOES-
12 e MSG-2). Sua resolução é no visível 0,9km por 0,9 km, no canal 11,2 m ,
6,9 km por 6,9 km, e 13,8 km por 13,8 km no canal 3,9 m .
O sensor MODIS (MODerate – Resolution Imaging Spectroradiometer) é
utilizado nos satélites polares NASA, TERRA e AQUA obtém medidas em 36
bandas espectrais (0,41 – 14 m ) com três diferentes resoluções espaciais
(250 m, 500 m e 1 km).
Os satélites de órbita polar (todos os satélites NOAA que estão a 800 km de
distancia e os satélites TERRA e AQUA que estão a 680 km de distancia) podem
detectar uma frente de fogo com 30m de extensão por 1m de largura, e produzem
pelo menos um conjunto de imagens por dia. Os satélites geoestacionários ( com
19
35800km de distancia) podem detectar frentes de fogo de 60m de extensão por 2m
de largura, e podem gerar 1 conjunto de imagens por hora.
O elemento de resolução espacial (“pixel”) dos satélites polares é de 1 km x 1
km ou mais. Isso significa que uma queimada de alguns metros quadrados será
identificada com uma queimada de 1 2km nos satélites polares. Já nos satélites
geoestacionários, o elemento de resolução espacial é de 4 km x 4 km, o que indica
que pequenos incêndios serão detectados como incêndios de 16 2km .
Como conseqüência dos elementos de resolução espacial de tamanhos de 1
2km ou 16 2km , uma queimada pode ocupar mais de um elemento se a mesma
ultrapassar esse limite. Geralmente uma queimada é composta por vários pontos
adjacentes. Sendo assim, não é possível avaliar a área queimada com precisão
utilizando os dados que são gerados por estes satélites.
O INPE obtém informações a partir desses satélites e disponibiliza a cada 3
horas na internet. O INPE oferece uma opção para monitoramento de incêndios e
queimadas de todas as regiões do Brasil, o que colabora para o combate ao fogo em
regiões remotas que não possuem meios intensivos de acompanhamento. Diversos
produtos são ofertados gratuitamente baseados nas informações obtidas a partir dos
satélites, dos quais podemos destacar:
Tabelas com quantidade de focos e gráficos mostrando estes dados;
Mapas de ocorrências de focos nos últimos dois dias e no mês atual;
Emails diários automáticos para focos em Unidade de Conservação;
Mapas de risco de fogo para a vegetação;
Condições meteorológicas referentes a queimadas;
20
Fig. 2.3.1: Focos de queimadas detectados no Brasil mostrados no site do INPE
(http://pirandira.cptec.inpe.br/queimadas/). Cada cor representa um satélite especifico. A legenda das cores pode
ser visualizada clicando no primeiro botão do lado direito acima do mapa.
21
3. METODOLOGIA E DADOS
3.1 CORRELAÇÕES DE LONGO ALCANCE EM SÉRIES TEMPORAIS
Processos estocásticos que possuem as correlações de longo alcance estão
presentes em vários fenômenos em economia [21–24], fisiologia [25–29], engenharia
[30–32], geofísica [33–35], meteorologia [36–39], etc. Os métodos que servem para
detecção de memória longa podem ser classificados em dois grupos: métodos em
domínio de freqüências, representados pelo espectro de potencias, e métodos
baseados em passeios aleatórios, em domínio temporal, representados pelo
“rescaled range analysis” [40].
Consideramos uma série temporal estacionária }{ ix com média 0ix e
variância 22 ix . Se a série possui correlações de longo-alcance (memória longa),
sua função de auto correlação nii Xx diminui seguindo uma lei de potência
nnC ~)( (1)
para grandes valores de n e 10 [40,41]. A conseqüência dessa propriedade e a
divergência de
N
nnC
1)( para N . As correlações em {xi} podem ser
quantificadas usando o espectro de potências definido [41,42] pela equação
1
)2cos()(2)0()(n
fnnCCfS (2)
se C(n) segue a relação (1) temos
22
1
)2cos(2)(n
fnnfS (3)
pode-se mostrar que para f pequenos
ffS ~)( (4)
com relação entre os expoentes 1 [41]. Outra maneira para quantificar as
correlações em }{ ix é mapear }{ ix em um passeio aleatório usando as somas
parciais nn xxxRxxRxR 2121211 ,,, , onde nR é a posição do
caminhante no instante n. A distancia quadrática média é definida [41] pela relação
1
1
1
1
21
11
22 )(2)(2)()(2n
s
n
s
n
s
n
i
in ssCsCnnsCsnxR (5)
se C(s) segue (1), temos
1
11
1
1
~~~)( nsssC
nn
s
n
s
(6)
e
2
1
1
1
11
1
~~~)( nssssC
nn
s
n
s
(7)
para 10 e n grande, temos
22~ nRn (8)
A distância quadrática média do passeio aleatório é caracterizada pelo
expoente de Hurst:
H
n nR 22~
(9)
23
onde
2
1
2
2
H (10)
representa a relação entre os expoentes H,, [41].
A interpretação do expoente H é a seguinte [43]: i) Para ruído branco (séries
não correlacionadas) H = 0,5 e a função de auto-correlação diminui
exponencialmente. ii) O valor 0,5 < H < 1 indica que a série original possui
correlações de longo-alcance persistentes: os valores grandes (pequenos) tem
maior probabilidade de serem seguidos por valores grandes (pequenos), a função de
auto-correlação diminui seguindo uma lei de potência nnC ~)( , com .22 H iii)
Para 0 < H < 0,5 a série é anti-persistente significando que os valores grandes
(pequenos) tem maior probabilidade de serem seguidos por valores pequenos
(grandes). iv) O valor H = 1 representa um ruído tipo 1/f (o espectro de potências
segue uma lei de potências ffS ~)( com .112 H v) Para H > 1 as
correlações existem, contudo não diminuem seguindo uma lei de potências. O caso
especial H = 1,5 indica um ruído Browniano, que é a integração do ruído branco.
O expoente de Hurst H pode ser interpretado como o parâmetro que indica a
suavidade da série original. Quanto maior o valor de H, mais suave é a série. Neste
aspecto, o ruído 1/f pode ser interpretado como uma transição entre o processo não
correlacionado (ruído branco) e um processo muito mais suave (ruído Browniano)
[44].
3.2 DETRENDEND FLUCTUATION ANALISYS (DFA)
O método Detrended Fluctuation Analysis (DFA) é um método desenvolvido
para quantificação das correlações em séries temporais não estacionárias. Este
método foi introduzido por Peng para análise de seqüências gênicas [16] e foi
aplicado em vários fenômenos, incluindo a dinâmica da variabilidade cardíaca [45],
flutuações de eletro-encefalograma de humanos [46], intervalos entre passos
sucessivos [47], séries temporais econômicas [48], fenômenos climáticos [49], etc. A
vantagem do DFA em relação a métodos convencionais (por exemplo, análise de
24
Hurst) é que ele permite a detecção da auto-similaridade em séries temporais não
estacionárias e também evita falsas detecções de correlações de longo alcance, que
são artefatos de tendência incorporada no sinal [50].
O método DFA representa uma modificação da Análise da Raiz Quadrática
Média (root mean square analysis) da caminhada aleatória, e baseia-se em análise
de flutuações dos dados após a retirada das tendências da série temporal integrada.
O procedimento é o seguinte: seja x(i) com i =1, 2,..., N, a série temporal original, a
série integrada é obtida usando a expressão,
k
i
Mixky1
)()( (11)
onde M é a média dos valores de x(i) com i =1, 2,..., N e k é um número inteiro.
A integração transforma a série original em um processo auto-similar. Em
seguida, a série y(k) é dividida em intervalos de tamanho n. Para cada intervalo são
feitos ajustes usando-se funções polinomiais: linear (DFA-1), quadrática (DFA-2),
cúbica (DFA-3), e de ordem m (DFA-m), retirando a tendência da série [27]. A
ordenada do segmento que representa a tendência no intervalo de tamanho n é
denotada yn (k). Essa tendência é retirada subtraindo-se o valor do ajuste yn (k) do
valor correspondente da série integrada y(k). A função de flutuação F(n) (que
caracteriza o tamanho das flutuações para o tamanho n dos intervalos usados) é
dada pela expressão:
N
k
n kykyN
nF1
2)()(
1)(
(12)
O procedimento é repetido para vários tamanhos do intervalo n para poder
determinar a relação entre a função de flutuação F(n) e o tamanho do intervalo n.
Para processos fractais (auto-similares) F(n) aumenta com n pela lei de potência,
nnF ~)( (13)
O expoente de auto-similaridade α pode ser calculado usando o coeficiente
angular da reta obtida por regressão linear de gráfico log F(n) versus log (n). O
25
parâmetro de auto-similaridade α representa a estimação de expoente de Hurst e
tem a mesma interpretação dada em 3.1:
a) Para ruído branco (série não correlacionada) α=0,5;
b) O valor 0,5 < α < 1 indica as correlações de longo alcance persistentes;
c) O caso α =1 representa ruído do tipo 1/f;
d) O valor 0 < α < 0,5 indica as correlações de longo alcance anti-persistentes;
e) Para α > 1 correlações ainda existem, mas não se comportam pela lei de
potência. O caso especial α = 1,5 indica ruído Browniano que representa integração
do ruído branco.
A figura 3.2.1 é uma ilustração da aplicação do método DFA-1 para a série
temporal dos intervalos entre batimentos cardíacos [27]: A série original dos
intervalos entre batimentos cardíacos de um jovem adulto; B: a série integrada e as
retas representando as tendências lineares correspondentes aos intervalos do
tamanho n = 100 e n = 200; C: gráfico log F(n) versus log (n).
26
Fig. 3.2.1: Ilustração de aplicação do método DFA-1 [27]
27
0 500 1000 1500 2000 2500
-8000000
-6000000
-4000000
-2000000
0
2000000
Y A
xis
Title
X axis title
Na análise do método do DFA utilizou-se um software disponível no site da
PhysioNet (http://www.physionet.org/), um fórum on-line que reúne uma grande
coleção de registros de sinais biomédicos e softwares para analise dos mesmos.
28
3.3 DADOS
Os dados foram obtidos a partir do site do INPE
(http://pirandira.cptec.inpe.br/queimadas). Os dados de focos de calor detectados
pelos satélites foram agrupados em séries temporais diárias. Os seguintes satélites
foram utilizados:
Tabela 2: Os valores dos expoentes α das séries originais e randomizadas
Satélites Inicio do Período
Final do Período
Dias Focos
AQUA 06/01/1999 31/12/2008 3.647 882.028 GOES-12 04/06/2003 15/08/2007 1.533 1.195.514 MMODIS 11/02/2004 31/12/2008 1.785 1.195.514 NOAA-12 01/06/1998 10/08/2007 3.357 1.525.694 TERRA 04/01/1999 30/12/2008 3.648 395.436
As figuras seguintes apresentam as séries temporais analisadas:
Fig. 3.3.1: Série de focos de calor obtidos usando os dados de satélites AQUA.
29
Fig. 3.3.2: Série de focos de calor obtidos usando os dados de satélites GOES-12
Fig. 3.3.3: Série de focos de calor obtidos usando os dados de satélite MMODIS.
30
Fig. 3.3.4: Série de focos de calor obtidos usando os dados de satélites NOAA-12
Fig. 3.3.5: Série de focos de calor obtidos usando os dados de satélite TERRA
31
4. RESULTADOS
As figuras 4.1-4.15 apresentam os gráficos obtidos pela aplicação do método
Detrended Fluctuation Analysis (DFA) (apresentado na seção 3.2) nas séries
temporais de queimadas detectadas pelos satélites AQUA, GOES-12, MMODIS,
NOAA-12 e TERRA. Para retirar as tendências em séries integradas, foram
utilizados os polinômios de primeiro (DFA1), segundo (DFA2) e terceiro (DFA3) grau.
Todos os gráficos apresentam duas regiões da linearidade, gerando dois expoentes
de escala: 1 para 0nn e 2 para 0nn , onde 0n representa o “crossover point”.
Para estimar 1 , 2 e 0n , utilizamos o seguinte método: Assumimos que a função de
flutuação f(n) tem um forma funcional dada por
)()()()()( 022011 xxbxaxxbxaxf (14)
onde )(x e a função teta de Heaviside: 0)( x para 0x , e 1)( x para 0x , e
),( 11 ba e ),( 22 ba são parâmetros das retas 111 )( bxaxf e 222 )( bxaxf , e 0x é o
ponto de intersecção das retas. Para incluir o efeito de curvatura próximo de 0x ,
podemos substituir a função )( 0xx pela sua representação “suave” dada por
)]}(exp[1/{1 0xxp , onde 0p e o parâmetro de “suavidade”. A função (14) agora
tem a forma
)(
22
)(
11
00 11)(
xxpxxpe
bxa
e
bxaxf
. (15)
O ajuste aos dados foi obtido usando o método dos mínimos quadrados. Para
as escalas menores que 100 dias (aproximadamente), as séries apresentam
32
flutuações persistentes, significando que os incrementos (decrementos) têm maior
probabilidade de serem seguidos por novos incrementos (decrementos). Para
escalas maiores, as flutuações são mais suaves aproximando se ao regime de ruído
Browniano (integração de ruído branco). A existência de dois expoentes de escala
indica uma possível hierarquia de expoentes ou comportamento multifractal das
séries de focos de calor. A dinâmica de queimadas depende de vários fatores, entre
quais os fatores climáticos é um dos mais importantes. As correlações de longo
alcance persistentes e o comportamento multifractal estão presentes na dinâmica de
variáveis climáticas, como temperatura, umidade e velocidade de vento [37, 38, 51].
Um estudo recente [7] mostra a existência de correlações de longo alcance
persistentes em séries temporais de incêndios florestais, temperatura e umidade no
Japão. Os focos de calor não apresentam incêndios florestais, mas possuem
dinâmica similar, que pode ser explicado pelo fato que o número de focos e
proporcional a área queimada. Uma das conseqüências de queimadas é a emissão
de vários poluentes atmosféricos que afetam a camada de ozônio. Os resultados de
vários estudos mostram a existência de correlações persistentes em séries
temporais de poluentes )( 2CO e quantidade de ozônio na atmosfera [37, 52]. Os
resultados obtidos neste trabalho são consistentes com os resultados obtidos para
os processos dinâmicos relacionados deste fenômeno.
Para explicar a origem das correlações, aplicamos o método DFA em séries
randomizadas. O procedimento de randomização é o seguinte [53]:
i) Gerar um par ),( nm de números aleatórios inteiros, onde Nnm , , N e o
tamanho da série Nnm xxxxx ,...,,...,,...,, 21 .
ii) Trocar os dados mx e nx , gerando uma nova série Nmn xxxxx ,...,,...,,...,, 21 .
iii) Repetir os passos i) e ii) pelo menos 20N vezes (foram feitas 100.000
repetições).
Esse procedimento destrói as correlações temporais da série, mas preserva a
distribuição dos valores.
Todas as séries randomizadas apresentaram o expoente da escala próximo a
0,5 indicando a perda de correlações. Isto significa que as correlações de longo
alcance presentes nas séries temporais de queimadas têm origem na organização
33
temporal dos dados e não na distribuição de valores. Todos os expoentes obtidos
utilizando DFA-1, DFA-2, DFA-3, para as séries originais e séries randomizadas são
apresentados na Tabela 1.
34
Fig. 4.1: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite AQUA.
35
Fig. 4.2: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite AQUA.
36
Fig. 4.3: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite AQUA.
37
Fig. 4.4: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite GOES-12.
38
Fig. 4.5: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite GOES-12.
39
Fig. 4.6: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite GOES-12.
40
Fig. 4.7: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite MMODIS.
41
Fig. 4.8: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite MMODIS.
42
Fig. 4.9: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite MMODIS.
43
Fig. 4.10: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite NOAA-12.
44
Fig. 4.11: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite NOAA-12.
45
Fig. 4.12: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite NOAA-12.
46
Fig. 4.13: O Gráfico DFA1 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite TERRA.
47
Fig. 4.14: O Gráfico DFA2 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite TERRA.
48
Fig. 4.15: O Gráfico DFA3 da série original (a) e da série randomizada (b) dos focos de calor detectados pelo
satélite TERRA.
49
Tabela 3: Os valores dos expoentes α das séries originais e randomizadas
Satélite DFA α1 α2 log (n0) αr
NOAA12 DFA1 0,83 1,40 1,69 0,52
NOAA12 DFA2 0,86 1,27 2,22 0,52
NOAA12 DFA3 0,86 1,75 2,19 0,52
AQUA DFA1 0,72 1,31 1,70 0,54
AQUA DFA2 0,68 1,18 2,11 0,51
AQUA DFA3 0,67 1,62 2,18 0,55
GOES-12 DFA1 0,95 1,32 1,80 0,54
GOES-12 DFA2 1,00 1,60 1,82 0,48
GOES-12 DFA3 1,05 1,50 1,88 0,48
MMODIS DFA1 1,03 1,46 1,97 0,51
MMODIS DFA2 1,03 1,46 1,87 0,56
MMODIS DFA3 1,04 1,46 1,97 0,51
TERRA DFA1 0,69 1,24 1,77 0,52
TERRA DFA2 0,68 1,53 1,89 0,50
TERRA DFA3 0,69 1,66 2,02 0,47
Tabela 4: Os valores dos expoentes α das séries originais e randomizadas
Satélite DFA α1 α2 log (n0) αr
GOES-12 DFA1 0,95 1,32 1,80 0,54
GOES-12 DFA2 1,00 1,60 1,82 0,48
GOES-12 DFA3 1,05 1,50 1,88 0,48
MMODIS DFA1 1,03 1,46 1,97 0,51
MMODIS DFA2 1,03 1,46 1,87 0,56
MMODIS DFA3 1,04 1,46 1,97 0,51
50
5. CONCLUSÃO
Incêndios em vegetação (queimadas) representam um desastre natural com
sérias conseqüências ambientais, sociais, econômicas, etc. Todos os anos incêndios
destroem milhões hectares das florestas e aumentam em número como
conseqüência de vários fatores, principalmente do crescimento populacional e
acumulo de material combustível. Para estabelecer as políticas e métodos de
controle e prevenção, é necessário conhecer o perfil dos incêndios: onde, quando e
porque ocorrem. Além das estatísticas de ocorrências de incêndios, os métodos
emergentes da física estatística, incluindo a análise de dados e modelos
computacionais, providenciam as informações adicionais sobre a distribuição e
agrupamento espaço-temporal dos incêndios que são cruciais para o estudo de
várias conseqüências do fogo, como emissão de gases e partículas na atmosfera,
perda de biodiversidade, erosão de solo, etc. Vários satélites (com características
diferentes em termos de resolução espacial, bandas espectrais, tempo e freqüência
de escaneamento) estão disponíveis para monitoramento das várias características
de fogos: áreas de risco, incêndios atualmente ativos, área queimada, fumaça,
emissão de poluentes etc. No Brasil, a maior ocorrência de queimadas acontece nas
regiões amazônica e centro do Brasil, nos meses de julho a outubro, durante a
estação seca. Devido a grande extensão espacial, o sensoriamento remoto por
satélites passa a ser a forma de monitoramento mais viável. O Instituto Nacional de
Pesquisas Espaciais (INPE) desenvolve técnicas de detecção de queimadas usando
os sensores de vários satélites. Focos de calor são pixels na imagem de satélite com
intensidade infravermelha correspondente a vegetação queimada. O número de
focos junto com outras informações providenciadas pelos satélites podem ser
usados para estimar a área queimada, detecção e monitoramento dos incêndios
florestais, estimação de risco de fogo e para avaliação a influência de outros fatores
ambientais. Neste trabalho, estudamos a dinâmica de focos de calor no Brasil
51
usando o método Detrended fluctuation analysis (DFA), desenvolvido para
quantificar as correlações em séries temporais não estacionarias. Analisamos séries
temporais diárias de focos de calor detectados no Brasil por vários satélites, durante
o período 1998-2008. Os resultados mostram a existência de correlações de longo
alcance persistentes, que representa uma propriedade importante dos processos
estocásticos geradores desse fenômeno. Para a escala menor que 100 dias
(aproximadamente), as séries apresentam flutuações persistentes, significando que
os incrementos (decrementos) têm maior probabilidade de ser seguidos por novos
incrementos (decrementos) Para escalas maiores, as flutuações são mais suaves,
aproximando se do regime de ruído Browniano (integração de ruído branco). Para
explicar a origem de correlações, aplicamos o método DFA em séries randomizadas.
Todas as séries randomizadas apresentaram o expoente da escala próximo a 0,5,
indicando a perda de correlações. Isto significa que as correlações de longo alcance
presentes nas séries temporais de queimadas têm origem na organização temporal
de dados e não na distribuição de seus valores. Os resultados deste trabalho
providenciam informações importantes sobre os processos estocásticos geradores
desse fenômeno, como a existência de memória persistente, presente em incêndios
florestais e fenômenos climáticos [7]. As correlações de longo alcance também são
detectadas em séries temporais de poluentes atmosféricas, conseqüências de
queimadas, como 2CO [52]. A propriedade de correlações de longo alcance deveria
ser incorporada em modelos teóricos e simulações computacionais de dinâmica de
incêndios, necessários para melhor prevenção, controle e controle de fogo e para
previsão de efeitos ambientais. A existência de dois expoentes de escala indica uma
possível hierarquia de expoentes ou comportamento multifractal das séries de focos
de calor. Uma análise multifractal usando o método Multifractal Detrended
Fluctuation Analysis [54] pode responder se este tipo de complexidade, detectado
em fenômenos climáticos [51,55], também existe em dinâmica de queimadas.
52
REFERÊNCIAS BIBLIOGRÁFICAS
[1] WHELAN, R.J. The Ecology of Fire. Cambridge University Press, Cambridge, 1995.
[2] PYNE, S.J., ANDREWS, P.L., LAVEN, R.D. Introduction to Wild land Fire.
Wiley&Sons, NY, 1996.
[3] SCOTT, A.C., GLASSPOOL, I.J. The diversification of Paleozoic fire systems and
fluctuations in atmospheric oxygen concentration. PNAS, v. 103, pp.10861-10865, 2006.
[4] JAMES, S.R. Hominid use of fire in lower and middle Pleistocene: A review of the
evidence. Current Anthropology, v.30, pp.1-26, 1989.
[5] PYNE, S.J. World Fire: The Culture of Fire on Earth, University Washington Press,
Seatle, 1997.
[6] TUIA D., LASAPONARA, R., TELESCA, L., KANEVSKI, M. Emergence of spatio-
temporal patterns in forest-fire sequences. Physica A, v. 387, pp. 3271-3280, 2008.
[7] ZHENG, H., SONG, W., WANG, J. Detrended fluctuation analysis of forest fires and
related weather parameters. Physica A, v. 387, pp. 2091-2099, 2008.
[8] CHEN, k., BAK, p., JENSEN, m.H. a deterministic critical forest fire model. Phys. Lett.
A, v.149, p. 207, 1990.
[9] DROSSEL, B., SCHWABL, F. Self-organized critical forest fire model. Phys. Rev. Lett.
V.69, p. 1629, 1992.
[10] LI, Z., NADON, S., CIHLER, J. Satellite-based detection of Canadian boreal forest fires:
development and application of the algorithm. Int. J. Remote Sensing, v. 21, pp. 3057-3069,
2001.
[11] FUJIVARA, K.; KUDOH, J. Siberian forest fire detection using NOAA /AVHR.
Geoscience and Remote Sensing Symposium, 2001. IGARSS apos; 01. IEEE International,
v.4, pp. 1687-1689.
[12] DE VASCONCELLOS, S.S., BROUN, I.F. The use of hot pixels as an indicator of fires
in the MAP region: tendencies in recent years in Acre, Brazil. Anais XIII Simpósio Brasileiro
de Sensoriamento Remoto, Florianópolis, Brasil, 2007. INPE, pp. 4549-4556.
[13] DEPPE, F., DE PAULA, E.V., MENEGHETTE, C.R., VOSGERAN, J. Comparação de
índice de risco de incêndio florestal com focos de calor no estado de Paraná. Floresta
(Curitiba, PR), v. 34, pp.119-126, 2004.
[14] ARAGAO, L.E.O.C., MALHI,Y., BARBIER, N., LIMA, M., SHIMABUKURO, Y.,
ANDERSON, L., SAATCHI, S. Interactions between rainfall, deflorestation and fires during
recent years in the Brazilian Amazônia. Phil. Trans. R.Soc. Lond. B. Biol.Sci., v.363, pp.
1779-1785, 2008.
53
[15] http://pirandira.cptec.inpe.br/queimadas
[16] PENG, C.-K., BULDYREV, S.V., HAVLIN, S., SIMONS, M., STANLEY, H.E.,
GOLDBERGER, A.L. Mosaic organization of DNA nucleotides. Phys. Rev. E, v.49, pp.
1685-1689, 1994.
[17] ANDREAE, M.O., Biomass burning: Its history, use and distribution and its impact on
environmental quality and global climate. In Global Biomass Burning: Atmospheric, Climatic
and Biospheric Implications, ed. by J.S. Levine, pp. 3-21, MIT Press, Cambridge, Mass.,
1991.
[18] FREITAS, S.R., LONGO, K.M., SILVA DIAS, M.A.F., SILVA DIAS, P.L. Emissões de
queimadas em ecosistemas da América do Sul. Estudos Avançados, v.19, 2005.
[19] WARD,D.E., SUSOTT, R.A., KAUFFMAN, J.B., BABBIT, R.E., CUMMINGS, D.L.,
DIAS, B., HOBBEN, N., KAUFFMAN, Y.J., RASMUSSEN,R.A., SETZER, A.W. Smoke
and fire characteristics for cerrado and deforestation burns in Brazil: BASE-B Experiment. J.
Geophys. Res., v.97, pp. 14601-14619, 1992.
[20] ARTAXO, P., MARTINS, J.V., YAMASAE, M.A., PROCOPIO, A.S., PAULIQUEVIS,
T.M., ANDREAE, M.O., GUYON, P., GATTI, L.V., CORDOVA LEAL, A.M. Physical and
chemical properties of aerosols in the wet and dry season in Rondonia, Amazonia. J.
Geophys. Res., v.107, pp.49.1-49.14, 2002.
[21] LIU, Y., GOPIKRISHNAN, P., CIZEU, P., MEYER, C., STANLEY, H. E. Statistical
properties of the volatility of price fluctuations. Phys. Rev. E, v.60, pp.1390-1400, 1999.
[22] GRAN-CHARLES, P. Empirical evidence of long-range correlations in stock-returns.
Physica A, v. 287, pp.396-404, 2000.
[23] CAJUEIRO, D. O., TABAK, B. Possible causes of long-range dependence in the
Brazilian stock market. Physica A, v. 345, pp.635-645, 2005.
[24] WANG, F., SHIEH, S. -J., HAVLIN, S., STANLEY, H. E. Statistical analysis of the
overnight and day time returns. Phys. Rev. E, v.79, 056109, 2009.
[25] HAUSDORFF, H. M., PENG, C-K., LADIN, Z., WEI, J. Y., GOLDBERGER, A. L. Is
walking is random walk? Evidence for long-range correlations instride interval of human gait.
J. Appl. Physiol., v.78, pp.349-358, 1995.
[26] TONG, S., JIANG, D., WANG, Z., ZHU, Y., GEOCADIN, R. G., THAKOR, N. V.
Long-range correlations in the heart-rate variability following the injury of cardiac arrest.
Physica A, v. 380, pp.250-258, 2007.
[27] GOLDBERGER, A. L., AMARAL, L. A. N., HAUSDORFF, J. M., IVANOV P. Ch.,
PENG, C-K., STANLEY, H. E. Fractal dynamics in physiology: Alterations with disease and
aging. PNAS, v. 99, pp.2466-2472, 2002.
[28] NIKULIN, V. V., BRISMAR, T., Long-range temporal correlations in
electroencephalographic oscillations: Relation to topography, frequency band, age and
gender. Neuroscience, v. 130, pp.549-558, 2005.
54
[29] IVANOV, P. Ch., MA, Q. D. Y., BORTSCH, R. P., HAUSDORFF, J. M., AMARAL, L.
A. N., SCHULTE-FROHLINDE, V., STANLEY, H. E., YONEYOMA, M. Levels of
complexity in scale-in variant neuronal signals. Phys. Rev. E, v.79, 041920, 2009.
[30] ALVAREZ-RAMIREZ, J., ESPINOSA-PAREDES, G., VASQUEZ, Detrended
Fluctuation analysis of the neutronic power from a nuclear reactor. Physica A, v. 351, pp.227-
240, 2005.
[31] TADAKI, S-I. Long-term power law fluctuations in internet traffic. J. Phys. Soc. Jpn., v.
76, 044001, 2007.
[32] SHANG, P., LU, Y., KOMAE, S. Detecting long-range correlations of traffic time series
with multifractal detrended fluctuation analysis. Chaos, Solitons & Fractals, v.36, pp.82-90,
2008.
[33] CURRENTI, G., DELNEGRO, C., LAPENNA, V., TELESCA, L. Fluctuation analysis
of hourly-time variability of volcano-magnetic signals recorded at Mt. Etna Volcano, Sicily
(Italy). Chaos, Solitons&Fractals, v.23, pp.1921-1929, 2005.
[34] ENNARTZ, S., LIVINA, N., BUNDE, A., HAVLIN, S. Long-term memory in
Earthquakes and the distribution off interoccurence times. Europhys. Lett., v. 81, pp.59001,
2008.
[35] AHN, V. V., YU, Z., WANLISS, J. A. Analysis of global geomagnetic variability.
Nonlinear Processes in Geophysics, v. 14, pp.701-718, 2007.
[36] TSONIS, A. A., ROEBBER, P. J., ELSNER, J. B. Long-range correlations in the
extratropical atmospheric circulation: origins and implications. Journal of Climate, v.12,
pp.1534-1541, 1999.
[37] ASHKENAZY, Y., BAKER, D. R., GILDOR, H., HAVLIN, S. Nonlinearity and
multifractality of climate change in the past 420000 years. Geophys. Res. Lett., v.30, CLM2.
1-CLM2. 4, 2003.
[38] CHEN, X., GUANGHING, L., ZUNTAO, F. Long-range correlations in daily relative
humidity fluctuations: A new index to chjaracterize the climate regions over China. Geophys.
Res. Lett., v. 34, L07804. 1-L07804. 4, 2007.
[39] VORTOSOS, C., KIRK-DAVIDOFF, D. Long-memory processes in ozone and
temperature variations at the region 60º S-60º N. Atmos. Chem. Phys., v. 6, pp. 4093-4100,
2006.
[40] BERAN, J. Statistics for Long-memory Processes. Chapman & Hall, NewYork, 1994.
[41] RANGARAJAN, G., DING,M. Integrated approach to the assessment of long-range
correlations in time series data. Phys. Rev. E, v.61, pp. 4991-5001, 2000.
[42] CHATFIELD, C. The Analysis of Time Series: An Introduction, 4th
ed., Chapman &
Hall, London, 1989.
[43] FEDER, J. Fractals. Plenum Press, New York, 1988.
55
[44] PRESS, W. H. Flicker noise in astronomy and elsewhere. Comments Astrophysics, v.7,
pp. 103-119, 1978.
[45] PENG, C.-k., HAVLIN,S., STANLEY, H.E. Quantification of scaling exponents and
crossover phenomena in non stationary heartbeat time series. Chaos, v.5, pp.82-87, 1995.
[46] PAN, C.P., ZHENG, B., WU, Y.Z., WANG, Y., TANG, X.W. Detrended fluctuation
analysis of human brain electroencephalogram. Physics Letters A, v.329, pp.130-135, 2004.
[47] HAUSDORFF, J.M., MITCHELL, S.L., FIRTON, R., PENG, C.-k., CUDKOWICZ,
M.E., WEI, J.Y., GOLDBERGER, A.L. Altered fractal dynamics of gait: Reduced stride-
interval correlations with aging and Huntington’s disease. J. Appl. Physiol., v.82, pp.362-269,
1997.
[48] LIU,Y., CIZEAY, P., MEYER, M., PENG, C.-k., STANLEY, H.E. Correlations in
economic time series. Physica A, v.245, pp.437-440, 1997.
[49] IVANOVA, K., AUSLOS, M. Application of the detrended fluctuation analysis (DFA)
method for describing cloud breaking. Physica A, v.274, pp.349-354, 1999.
[50] HU, K., IVANOV, P. CH., CHEN, Z., CARPENA, P., STANLEY, H.E. Effects of trends
on detrended fluctuation analysis. Phys. Rev. E, v.64, 011114, 2001.
[51] KAVASSERI, R.G., NAGARAJAN, R. A multifractal description of wind speed
records. Chaos, Solitons & Fractals, v.24, pp.165-173, 2005.
[52] VOROTSOS, C., ASSIMAKOPOULOS, M.-N., EFSTATHION, M. Technical Note:
Long-term memory effect in the atmospheric 2CO concentration at Mauna Loa. Atmos.
Chem. Disscuss., v. 6, pp. 11957-11970, 2006.
[53] K. MATIA, Y. ASHKENAZY, H.E. STANLEY. Multifractal properties of price
fluctuations of stocks and commodities. Europhys. Lett., v.61, pp.422-428, 2003.
[54] KANTELHARDT, J.W., ZSCHIENGER, S.A., KOSCIELNY-BUNDE, E., HAVLIN,
S., BUNDE, A., STANLEY, H.E. Multifractal detrended fluctuation analysis of nonstationary
time series. Physica A, v.316, pp.87-114, 2002.
[55] KANTELHARDT, J.W., KOSCIENLY-BUNDE, E., RYBSKI, D., BRAUN, P.,
BUNDE, A., HAVLIN, S. Long-term persistence and multifractality of precipitation ans river
runoff records. J. Geophys. Res., v.111, DO1106, 2006.